jsoup获取标签后面的数据_笔记-大数据挖掘与数据分析

第1章 数据挖掘之爬虫技术基础

1.1查看网页源代码

F12弹出来的东西叫做开发者工具，是进行数据挖掘的利器，对于爬虫来说，只需要会用下图的这两个按钮即可。

(1)选择按钮

点击一下它，发现它会变成蓝色，然后把鼠标在页面上移动移动，会发现页面上的颜色机会发生改变。当移动鼠标的时候，会发现界面上的颜色会发生变化，并且Elements里的内容就会随之发生变化。

(2) Elements元素按钮：

"Elements"选项卡里面的内容可以理解为就是网页的源代码，最后爬虫爬到的内容大致是这样。

另外一个获取网页源码的方式是在网页上右击选择"查看网页源代码"。

1.2网页结构初步了解

结构其实很简单，就是一个大框套着一个小框，一个小框再套着一个小小框，一般文本内容都是在最后的小框里。

前两行的

与是固定写法，作用是将代码声明为HTML文档。

如果网页出现乱码(乱码就是中文显示成奇怪的符号)，可以把charset="utf-8"中的utf-8改成gbk，这是两种不同的中文格式，各个浏览器可能各有不同。

1.3HTML基础知识

1.标题标签：

标题是通过

-

标签来定义的，一般格式为：

标题内容

。其中h1的字号最大，h6的字号最小。

2.段落

标签：

段落是通过标签

来定义的,一般格式为：

段落内容

。

3.链接标签：(定义链接)

链接是通过标签 来定义的，一般格式为：文本内容。如果想在一个新的标签页里打开百度首页，而不是把原网页覆盖了话，只要在"链接地址"的后面加上target=_blank即可

还有些常用的标签：定义表格的label标签、定义序号的

标签、定义图片的 标签、定义样式的